PyCaret 是一個開源、低代碼的 Python 機器學習庫，可自動執行機器學習工作流。它是一種端到端的機器學習和模型管理工具，可以以指數方式加快實驗周期并提高您的工作效率。歡迎收藏學習，喜歡點贊支持，文末提供技術交流群。

與其他開源機器學習庫相比，PyCaret 是一個替代的低代碼庫，可用于僅用幾行代碼替換數百行代碼。 這使得實驗速度和效率呈指數級增長。 PyCaret 本質上是圍繞多個機器學習庫和框架（例如 scikit-learn、XGBoost、LightGBM、CatBoost、spaCy、Optuna、Hyperopt、Ray 等）的 Python 包裝器。

PyCaret 的設計和簡單性受到數據科學家這一新興角色的啟發，可以執行以前需要更多技術專長的簡單和中等復雜的分析任務。

PyCaret 時間序列模塊

PyCaret 的新時間序列模塊現已提供測試版。 秉承 PyCaret 的簡單性，它與現有的 API 保持一致，并帶有很多功能。 統計測試、模型訓練和選擇(30 多種算法)、模型分析、自動超參數調優、實驗記錄、云部署等， 所有這一切只需要幾行代碼（就像 pycaret 的其他模塊一樣）。 如果您想嘗試一下，請查看官方的快速入門筆記本。

您可以使用 pip 安裝此庫。 如果你在同一個環境中安裝了 PyCaret，由于依賴沖突，你必須為 pycaret-ts-alpha 創建一個多帶帶的環境。

pip install pycaret-ts-alpha

接下來安排如下

PyCaret 的時間序列模塊中的工作流程非常簡單。 它從設置功能開始，您可以在其中定義預測范圍 fh 和折疊次數。 您還可以將 fold_strategy 定義為擴展或滑動。

設置后，著名的 compare_models 函數訓練和評估從 ARIMA 到 XGboost（TBATS、FBProphet、ETS 等）的 30 多種算法。

plot_model 函數可以在訓練之前或之后使用。 在訓練前使用時，它使用 plotly 界面收集了大量時間序列 EDA 圖。 與模型一起使用時，plot_model 處理模型殘差，并可用于訪問模型擬合。

最后，predict_model 用于生成預測。

加載數據

import pandas as pdfrom pycaret.datasets import get_datadata = get_data("pycaret_downloads")data["Date"] = pd.to_datetime(data["Date"])data = data.groupby("Date").sum()data = data.asfreq("D")data.head()

# plot the datadata.plot()

這個時間序列是從 pip 每天下載 PyCaret 庫的次數。

初始化設置

# with functional APIfrom pycaret.time_series import *setup(data, fh = 7, fold = 3, session_id = 123)# with new object-oriented APIfrom pycaret.internal.pycaret_experiment import TimeSeriesExperimentexp = TimeSeriesExperiment()exp.setup(data, fh = 7, fold = 3, session_id = 123)

統計測試

check_stats()

探索性數據分析

# functional APIplot_model(plot = "ts")# object-oriented APIexp.plot_model(plot = "ts")

# cross-validation plotplot_model(plot = "cv")

# ACF plotplot_model(plot = "acf")

# Diagnostics plotplot_model(plot = "diagnostics")

# Decomposition plotplot_model(plot = "decomp_stl")

模型訓練和選擇

# functional APIbest = compare_models()# object-oriented APIbest = exp.compare_models()

時間序列模塊中的 create_model 就像在其他模塊中一樣。

# create fbprophet modelprophet = create_model("prophet")print(prophet)

tune_model 也沒有太大不同。

tuned_prophet = tune_model(prophet)print(tuned_prophet)

plot_model(best, plot = "forecast")

# forecast in unknown futureplot_model(best, plot = "forecast", data_kwargs = {"fh" : 30})

# in-sample plotplot_model(best, plot = "insample")

# residuals plotplot_model(best, plot = "residuals")

# diagnostics plotplot_model(best, plot = "diagnostics")

保存模型

# finalize modelfinal_best = finalize_model(best)# generate predictionspredict_model(final_best, fh = 90)

# save the modelsave_model(final_best, "my_best_model")

技術交流

歡迎轉載、收藏、有所收獲點贊支持一下！

目前開通了技術交流群，群友已超過2000人，添加時最好的備注方式為：來源+興趣方向，方便找到志同道合的朋友

• 方式①、發送如下圖片至微信，長按識別，后臺回復：加群；
• 方式②、添加微信號：dkl88191，備注：來自CSDN
• 方式③、微信搜索公眾號：Python學習與數據挖掘，后臺回復：加群